[論文レビュー] A Novel Automation-Assisted Cervical Cancer Reading Method Based on Convolutional Neural Network

Yao Xiang, Wanxin Sun+4 more|arXiv (Cornell University)|Dec 14, 2019

AI in cancer detection参考文献 63被引用数 7

ひとこと要約

本稿では、YOLOv3に基づくオブジェクト検出と段階的ハード例分類器を組み合わせた、セグメンテーション不要でエンドツーエンドの子宮頸がんスクリーニング手法を提案する。この手法は、識別が難しいカテゴリー（ASC-US、ASC-H、LSIL、HSIL）の分類を向上させる。4000×3000のマルチセル画像において、感度97.5%、特異度67.8%を達成し、平均平均精度（mAP）は63.4%を記録。臨床的画像水準スクリーニングと詳細な異常細胞の局在化において、強固な性能を示している。

ABSTRACT

While most previous automation-assisted reading methods can improve efficiency, their performance often relies on the success of accurate cell segmentation and hand-craft feature extraction. This paper presents an efficient and totally segmentation-free method for automated cervical cell screening that utilizes modern object detector to directly detect cervical cells or clumps, without the design of specific hand-crafted feature. Specifically, we use the state-of-the-art CNN-based object detection methods, YOLOv3, as our baseline model. In order to improve the classification performance of hard examples which are four highly similar categories, we cascade an additional task-specific classifier. We also investigate the presence of unreliable annotations and cope with them by smoothing the distribution of noisy labels. We comprehensively evaluate our methods on test set which is consisted of 1,014 annotated cervical cell images with size of 4000*3000 and complex cellular situation corresponding to 10 categories. Our model achieves 97.5% sensitivity (Sens) and 67.8% specificity (Spec) on cervical cell image-level screening. Moreover, we obtain a mean Average Precision (mAP) of 63.4% on cervical cell-level diagnosis, and improve the Average Precision (AP) of hard examples which are valuable but difficult to distinguish. Our automation-assisted cervical cell reading method not only achieves cervical cell image-level classification but also provides more detailed location and category information of abnormal cells. The results indicate feasible performance of our method, together with the efficiency and robustness, providing a new idea for future development of computer-assisted reading system in clinical cervical screening.

研究の動機と目的

• 手作業による子宮頸細胞診の非効率さと高コストを解消するため、自動でエンドツーエンドに動作するシステムの開発を目的とする。
• 手動セグメンテーションや特徴量の手作業抽出に依存する従来のマルチステージパイプラインの限界を克服することを目的とする。
• 段階的分類器を用いることで、類似度の高い異常細胞カテゴリー（ASC-US、ASC-H、LSIL、HSIL）の分類精度を向上させることを目的とする。
• 臨床的子宮頸画像データセットにおけるノイズの多いアノテーションの影響を軽減するため、ラベル分布の平滑化を実施することを目的とする。
• 単一の細胞パッチではなく、大規模な全スライド画像（4000×3000）を対象とした画像水準スクリーニングを可能とし、臨床ワークフローの効率を向上させることを目的とする。

提案手法

• マルチセル画像内に存在する10種類の子宮頸細胞カテゴリーを、細胞セグメンテーションを経ずに直接検出・分類する目的検出モデルとしてYOLOv3を採用する。
• ASC-US、ASC-H、LSIL、HSILの4つの類似度の高い異常カテゴリーの予測を精緻化するため、段階的でタスク特化型の分類器を導入する。
• トレーニングデータにおけるノイズの多いまたは信頼性の低いアノテーションの影響を軽減するため、ラベルスムージングを適用する。
• 重なりや不純物を含む複雑な細胞状況を持つ、独自にアノテートされた1,014枚の全スライド画像（4000×3000ピクセル）を用いてモデルをトレーニングおよび評価する。
• 分類と局在化の信頼度を統合したハイブリッドスコアを採用し、検出結果の順序付けを実施することで、臨床的解釈を支援する。
• 特定のデータセットに最適化されたアノテーションボックスの最適化により、局在化精度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 エンドツーエンドでセグメンテーション不要なオブジェクト検出アプローチは、従来のマルチステージパイプラインを上回る性能を示せるか？
• RQ2 段階的分類器は、識別が難しい異常細胞カテゴリー（ASC-US、ASC-H、LSIL、HSIL）の認識にどの程度効果を発揮するか？
• RQ3 ラベルスムージングは、子宮頸細胞診データセットにおけるノイズの多いアノテーションによって引き起こされる性能低下をどの程度軽減できるか？
• RQ4 ディープラーニングモデルは、大規模で複雑な全スライド画像（4000×3000）において、高い感度と妥当な特異度を達成できるか？
• RQ5 提案手法は、1回の効率的な推論プロセスで臨床的に有用な異常細胞の局在化と分類情報を提供できるか？

主な発見

• 提案手法は、1,014枚の全スライド画像（4000×3000）の画像水準分類において、感度97.5%、特異度67.8%を達成し、一次スクリーニングにおいて優れた性能を示した。
• 細胞水準診断において、平均平均精度（mAP）は63.4%を記録し、特に識別が困難なハード例カテゴリーにおける平均精度（AP）が顕著に向上した。
• 段階的ハード例分類器の導入により、ベースラインと比較して誤検出が減少し、特異度が5.6%向上した。これは、困難な分類に対して有効であることを確認した。
• 本手法は、重なりやノイズ、不純物を含む複雑なマルチセル画像においても、異常細胞を効果的に検出・局在化でき、実世界の状況下でも高い耐性を示した。
• 本システムは、画像水準のスクリーニング結果に加え、詳細な細胞水準の局在化と分類情報を提供でき、臨床的レビューの効率を向上させた。
• 結果から、ラベルスムージングとタスク特化型の精緻化を組み合わせたエンドツーエンドオブジェクト検出は、臨床的子宮頸がんスクリーニング自動化のための実用的で効果的なアプローチであると示された。